基于神經網絡的用電預測研究

李婷婷

（河北省石家莊鐵道大學，河北 石家莊 050043）

一、簡介

現如今，電力在人們日常生活中越來越重要。由于用戶的使用習慣有所區別，不同地區不同時段，電量的使用情況也會存在規律性變化，把握其內在規律，可以對某個地區人們用電情況提前預測，便于電力公司做出相應的規劃。

二、研究背景

電量的使用情況，與溫度和時間關系緊密。對于常溫階段，用電量較為平穩，屬于基礎電量；對于高溫或者低溫天氣，存在空調用電等額外電量。對于工作日的不同、以及一天當中時間段的不同也會存在用的較大差異。如果需要進行擬合操作，可以對相同類別數據進行整理求其平均值、眾數等指標，以此作為參數進行分析

三、模型建立與分析

對于18℃-25℃為溫度影響平穩階段，而小于18℃或大于25℃時為影響較大階段，結合每天的最低氣溫和最高氣溫，用平均氣溫來預測當天的用電量，考慮到溫度低時與溫度高時對用電量的影響方式不同，將預測函數分為3個階段的分段函數即小于18℃，在18℃和25℃之間，大于25℃。將每日用電量求出，然后擬合溫度和用電量的函數關系式，找出溫度和用電量的關系。分析每15分鐘對應的用電量相對當日總用電量的關系，從而得知一天的平均溫度，進而求出該日每15分鐘的用電量。

神經網絡中，進行各層之間關系的搭建是神經元傳遞的思想。從輸出開始，讀取數據；在中間層進行多次迭代，不斷反饋，訓練其相應參數；而后根據相應模型給出結果，進行輸出。在隱含層中，處理信息需要添加閾值這一屬性，這也是模仿生物大腦中的實際情況，對于達到一定閾值的內容，才會觸發神經元，對其進行激活。在多次迭代過程中，為了降低損失函數的目標值，減小誤差，BP網路的核心是采用梯度下降的原理，找出各個方向中偏導數最大的方向，沿著次方向進行調整，從而使得誤差下降最快。

在訓練過程中，可以引入激活函數，目的在于減小模型對數據的依賴程度，提高模型的魯棒性，從而使得模型可以廣泛的應用于各類數據上。

步驟一：準備訓練網絡的樣本，用電量會受氣溫、季節、經濟和人口等因素的影響，則這4個因子便是網絡輸入樣本。用電量便是網絡訓練的輸出樣本。

步驟二：初始參數如表1

表1 訓練參數表

步驟三：初始化一二層權值：Wij（t）=rand（12,4）；二層閾值：Bij（t）=rand（12,1）；二三層權值：Bjk（t）=rand（1,1）

步驟六：計算第二層輸出，

步驟九：二三層權值和閾值調整量

步驟十：一二層權值和閾值調整量

步驟十一：前后時刻調整

四、結語

利用平均值代表溫度水平，可能具有一定的局限性；可以在求出每天的最高用電時段用電量以及最低用電量時段用電量，相應的分析他們與最高溫度和最低溫度的關系；可以更準確的描述用電量與溫度的關系。神經網絡在一定程度上彌補了時間序列預測的不足。